Teil 2. Teilbereiche der KI Der intelligente Agent
|
|
- Benjamin Michel
- vor 5 Jahren
- Abrufe
Transkript
1 Teil 2 Teilbereiche der KI Der intelligente Agent
2 Teil 2.1 Teilbereiche der KI
3 Zwei Paradigmen der KI subsymbolische KI Genetische Algorithmen Neuronale Netze Maschinelles Lernen Planen Wissensrepräsentation Suche Logik symbolische KI Inferenz Unterscheidungsmerkmal: Ab-/Anwesenheit einer expliziten Darstellung des im System vorhandenen Wissens. Stärken und Schwächen sind komplementär.
4 Subsymbolische Verfahren Leistungsstarke Lernverfahren. Funktionieren mit verrauschten Daten. Robust. Graceful degradation. Häufig inspiriert von Biologie. Keine deklarative Semantik. Black box. Rekursive Strukturen schwierig. Verwendung von Hintergrundwissen problematisch.
5 Symbolische Verfahren Logikbasiert. Deklarativ. Menschlichem Denken nachempfunden. Explizite Kodierung von Wissen. Hochgradig rekursiv. Lernen schwierig. Empfindlich gegenüber Rauschen. Algorithmen haben hohe theoretische Komplexität.
6 Notwendigkeit hybrider Systeme nach W. Wahlster
7 S Suchverfahren Problemlösung durch Suche in einem Zustandsraum: gesucht wird Pfad von einem Startzustand zu einem Zielzustand 3 4 nicht informierte Suche (Breiten-/Tiefensuche) informierte Suche (heuristische Suche, Optimalsuchverfahren) (un-)vollständige Kontrolle über die Zustandsübergänge (z.b. Spiele) Kostenminimierung / Gewinnmaximierung A 4 B 4 C 5 5 D 2 E 4 F 3 Z S D E F Z 13
8 Suche: Beispiel Marke Spieler A Marke Spieler B
9 Planen Erstellen einer Struktur (Abfolge) von Aktionen, deren Ausführung ein gegebenes Problem löst Unterschied zu einfacher Problemlösung (z.b. durch Suche): Repräsentation von Zuständen, Zielen und Aktionen meist in einen einheitlichen Repräsentationsformalismus eingebettet Suchraum riesig und strukturiert: Suchverfahren muss Struktur ausnutzen Reihenfolge bei der Erstellung des Plans nicht notwendigerweise inkrementell und vom Initialzustand ausgehend
10 Maschinelles Lernen Ziel: (selbständige) Aneignung von Wissen und Verbesserung der Problemlösungsfähigkeit im Laufe der Zeit Symbolische Lernverfahren: Wissen ist durch Repräsentationsmechanismen mit reichhaltiger Syntax/ Semantik kodiert induktives Lernen instanzenbasiertes Lernen (CBR) erklärungsbasiertes Lernen (EBL) Subsymbolische Lernverfahren: Wissen ist in einfachen Datenstrukturen wie z.b. Zahlen kodiert, Inferenz findet durch numerische oder einfache strukturelle Operationen statt genetische Algorithmen neuronale Netzwerke
11 Data Mining Auswertung großer, unübersichtlicher Datenmengen mit dem Ziel der Entdeckung verborgener allgemeiner Muster Beziehungen zwischen Objekten konzeptuelle oder numerische Regelmäßigkeiten oder Anomalien statistische Methoden und maschinelle Lernverfahren eingesetzt z.b. bei Data Warehouses
12 Wissensrepräsentation formale Darstellung von Wissen über einen bestimmten Bereich (Modellierung von Objekten, Beziehungen, Ereignissen,...) Begrenztes Abbild der Realität explizite Repräsentation Aussagen, Prädikate Frames, semantische Netzwerke Regeln, Produktionssysteme implizite Repräsentation Neuronale Netze, Programme Ohne Operatoren zur Verarbeitung des Wissens wertlos. Inferenzmechanismen
13 Wissensbasierte Systeme Trennung von Wissensrepräsentation und Operatoren zur Anwendung des Wissens explizite Wissensrepräsentation Problemlösungskomponente ist unabhängig vom Anwendungsbereich Wissen über einen Bereich kann unabhängig vom Rest des Systems (Operatoren zur Anwendung des Wissens) bearbeitet bzw. ausgetauscht werden Expertensystem: Modellierung des Wissens über einen bestimmten Anwendungsbereich zur Lösung spezifischer Probleme aus diesem Bereich System repräsentiert menschlichen Experten für einen bestimmten Bereich
14 Inferenz Schlussfolgerungsmechanismen, mit deren Hilfe aus bekanntem Wissen neues Wissen abgeleitet werden kann. Logische Inferenz Anwendung von Ableitungsregeln Deduktion: folgerichtiges Schließen Induktion: generalisierendes Schließen Abduktion: ursächliches Schließen Annahmen über die Welt, z.b. Closed World Assumption, (nicht) monotone Logiken Unsicherheiten (probabilistische oder unscharfe Logiken) Heuristische Inferenz Daumenregeln
15 Logische Kalküle Logik/logischer Kalkül: formales System zur Beschreibung des Wissens (Repräsentationsformalismus) Menge von Ableitungsregeln zur Herleitung logischer Folgerungen (Inferenz) Beispiele: Aussagenlogik, Prädikatenlogik, Modallogik, nichtmonotone Logiken, probabilistische Logiken, fuzzy logic
16 Fuzzy Logic Entwickelt von Lotfi Zadeh in den 60er Jahren, mit dem Ziel, bestimmte Probleme aus der klassischen Logik (Binär- Logik) zu lösen Fuzzy Logic umfasst 0 and 1 als Extremfälle eines Wahrheitswerts, aber ebenso Zwischenwerte ähnlicher zu dem, wie ein Mensch denkt Binäre Logik Fuzzy Logik... True (1) False (0) Absolute Truth (1) Absolute False (o)
17 Teil 2.2 Der intelligente Agent
18 Aktueller Trend: Agent Bisher sind noch viele KI-Systeme spezifisch auf einen Zweck ausgerichtet und berücksichtigen zumeist nur einen oder zumindest nur wenige Aspekte menschlicher Intelligenz. Nicht eingebettet in Umgebung -> kein Embodiment Angestrebt werden Systeme, die umfassender sind bzw. mehr Aspekte abdecken: weniger: riesige Systeme wie z.b. CYC (Wissensbasis mit mehr als 1 Mio. Regeln), die einen breiten Einsatz anstreben. mehr: verteilte Intelligenz mit Hilfe von Agenten, die bei Bedarf miteinander kooperieren
19 Rationaler Agent Zentrale Sichtweise im folgenden die eines Agenten: Ein Agent ist eine autonome Einheit, welche ihre Umwelt wahrnimmt und in ihr agiert. Ein rationaler Agent richtet seine Handlungen so aus, dass ein vorgegebenes Ziel möglichst gut erreicht wird. vereinfachte Formale Beschreibung durch Funktion Gesucht wird jeweils ein Agent, der die beste Performance hat (unter Wahrung bestimmter Restriktionen)
20 Rationalität Rationalität bedeutet nicht Allwissenheit Hellsichtigkeit garantierter Erfolg sondern bezieht sich auf den erwarteten (erwartbaren) Erfolg Idealer rationaler Agent versucht seine Performance zu optimieren, indem er unter Berücksichtigung der Beobachtungen aus der Umwelt und seines Wissens über dieser Umwelt entsprechende Aktionen ausführt. Performance-Maß Wahrnehmungs-Sequenzen aus der Umwelt Wissen über die Umgebung durchführbare Aktionen
21 Rationaler Agent P Percepts (Wahrnehmung) A Actions (Aktionen) G Goals (Ziele) E Environment (Umgebung)
22 Beispiel Automatisierter Taxifahrer Wahrnehmungen (Percepts) Video, Beschleunigungsmesser, GPS,... Aktionen (Actions) steuern, beschleunigen, bremsen, sprechen,... Ziele (Goals) Ort erreichen, Profit maximieren, Sicherheit, Verkehrsregeln beachten,... Umgebung (Environment) Straßen einer Stadt, Autobahn, Fußgänger, Radfahrer, Wetter,...
23 Anforderungen I Agent ist definiert in einer Umgebung und besitzt Wissen über sie: Frage nach Wissensrepräsentation Agent empfängt Nachrichten aus seiner Umwelt und handelt entsprechend Frage nach Wissensverarbeitung Agent besitzt Ziele, die er erfüllen will Frage nach Problemlösung (Wie kann das Ziel erreicht werden?) Frage der Planung von Aktionen Agent will seine Ziele möglichst gut erfüllen Frage nach Verbesserung durch Lernen
24 Anforderungen II Agent muss evtl. in einer menschlich geprägten Umgebung handeln Frage nach Interpretation von Sensordaten (Bildanalyse) Frage nach Navigation und Handhabung (Robotik) Frage nach Kommunikation mit Menschen (NLP) Agent muss evtl. herausfinden, warum etwas nicht wie geplant funktioniert hat Frage nach (Fehler-) Diagnose
25 Umgebungs-Eigenschaften Zugänglichkeit: Sind alle für eine Entscheidung notwendigen Teile der Umgebung beobachtbar? zugänglich / nicht zugänglich Determiniertheit: Bestimmt der aktuelle Zustand der Umgebung zusammen mit der gewählten Aktion eindeutig den Folgezustand? deterministisch / nicht deterministisch
26 Umgebungs-Eigenschaften Episodenhaftigkeit: Kann die Erfahrung des Agenten in einzelne Episoden (Wahrnehmung + Handlung, keine Historie) eingeteilt werden episodenhaft / nicht episodenhaft Veränderlichkeit: Kann sich die Umgebung während des Entscheidungsfindungspozesses verändern? statisch / dynamisch Auflösung: Ist der Raum der Wahrnehmungen und Aktionen diskret oder kontinuierlich? diskret / kontinuierlich
27 Beispiele Umgebung zugänglich deterministisch episodisch statisch diskret Schach ja ja nein teilw. ja Poker nein nein nein ja ja Backgammon Taxi medizinisches Diagnosesystem ja nein nein ja ja nein nein nein nein nein nein nein nein nein nein Bildanalysesystem ja ja ja teilw. ja reale Welt nein nein nein nein nein
28 Struktur eines Agenten Agent = Architektur + Programm Architektur: Aufbau der Ein- und Ausgabegeräte sowie der Verarbeitungseinheiten des Agenten (Sensoren, Effektoren, Prozessor) Programm: Funktion, die die Abbildung der Wahrnehmungen auf Aktionen vornimmt
29 Lookup Agent function TABLE-DRIVEN-AGENT(percept) returns action static: percepts // a sequence, initially empty table, // a table, indexed by percept sequences, // initially fully specified append percept to the end of percepts action LOOKUP(percepts, table) return action Wahrnehmung x Aktion z x 1 z 1 x 2 z Problem: Vollständige Abbildung ist oft nicht möglich (z.b. wenn x nicht diskret) oder zu aufwendig (z.b. Schach: ca Positionen) und Lernen dauert dementsprechend zu lange Wissen ist zu statisch: Änderungen der Umwelt führen zu Fehlverhalten
30 Typen von Agenten Je nachdem, wie die Abbildung durchgeführt wird (Nutzung von Wissen), unterschiedliche Typen: einfacher, reagierender Agent: nutzt einfach Abbildung von Wahrnehmungen zu Aktionen reagierender Agent mit internen Zuständen: arbeitet mit Gedächtnis um den aktuellen Zustand der Welt besser zu bestimmen zielorientierter Agent: verwendet Wissen über wünschenswerte Zustände (zu erreichende Ziele), entscheidet, ob eine Aktion diesbezüglich sinnvoll ist nützlichkeitsbasierter Agent: gewichtet zusätzlich Zustände, um den Wert unterschiedlicher Aktionen zu beurteilen
31 Reagierender Agent Agent Sensoren Wie sieht die Welt jetzt aus? Bedingung-Aktions- Paar Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette
32 Reagierender Agent function SIMPLE-REFLEX-AGENT(percept) returns action static: rules // a set of condition-action rules state INTERPRET-INPUT(percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] return action
33 Reagierender Agent mit internen Zuständen Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Bedingung-Aktions- Paar Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette
34 Reagierender Agent mit internen Zuständen function REFLEX-AGENT-WITH-STATE(percept) returns action static: state // a description of the current world state rules // a set of condition-action rules state UPDATE-STATE(state, percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] state UPDATE-STATE(state, action) return action
35 Zielorientierter Agent Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Wie sieht die Welt aus, wenn ich Aktion A ausführe? Umgebung Ziele Wissen Welche Aktion soll ich jetzt ausführen? Effektoren Handlungskette
36 Nützlichkeitsbasierter Agent Agent aktueller Zustand der Welt Sensoren Wie sieht die Welt jetzt aus? Fortentwicklungder Welt Auswirkungen von Aktionen Nützlichkeit Wie sieht die Welt aus, wenn ich Aktion A ausführe? Wie glücklich werde ich damit sein? Welche Aktion soll ich jetzt ausführen? Umgebung Wissen Effektoren Handlungskette
37 Ausblick: Multiagentensysteme Agent design: Wie konstruieren wir Agenten, die unabhängig und autonom agieren, um die an sie delegierten Aufgaben zu erledigen? Society design: Wie konstruieren wir Agenten, die mit anderen Agenten interagieren, um ihre Aufgaben zu erfüllen, auch wenn manche dieser Agenten gegensätzliche Interessen haben und ihre eigenen (konkurrierenden) Ziele verfolgen?
38 Wirkmechanismen in MAS keine zentrale Steuerung bottom up: spezifische Fähigkeiten der Agenten führen zum gewünschten Interaktionsverhalten auf Gruppenebene (s.a. emergent behaviour). top down: spezifische Regeln auf Gruppenebene (wie Konventionen, Normen) bestimmen das Interaktionsrepertoire auf der Ebene einzelner Agenten.
39 Neue Aspekte bei MAS Kommunikation, Verhandlung und Vereinbarung: Sprachen und Protokolle Repräsentation von und Schlussfolgern über Wissen, Aktionen, und Pläne anderer Agenten sowie Interaktionsprozesse Vermeidung chaotischen Systemverhaltens Bildung und Auflösung von Organisationsstrukturen
40 Robo-Cup By the year 2050, develop a team of fully autonomous humanoid robots that can win against the human world soccer champion team.
41 nächste Vorlesung: Suchverfahren
Teil 2. Teilbereiche der KI Der intelligente Agent
Teil 2 Teilbereiche der KI Der intelligente Agent Teil 2.1 Teilbereiche der KI Zwei Paradigmen der KI subsymbolische KI Genetische Algorithmen Neuronale Netze Maschinelles Lernen Planen Wissensrepräsentation
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrÜbersicht. 7. Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrKünstliche Intelligenz
Künstliche Intelligenz Intelligente Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 26. Oktober 2011 Agenten Konzept des Agenten Rationalität Umgebungen Struktur von Agenten
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrKünstliche Intelligenz für Ingenieure
Künstliche Intelligenz für Ingenieure von Prof. Dr.-Ing. Jan Lunze 2., völlig überarbeitete Auflage Oldenbourg Verlag München Verzeichnis der Anwendungsbeispiele Hinweise zum Gebrauch des Buches xvii xxiii
Mehr2. Intelligente Agenten
2. Intelligente Agenten Definition und Klassifizierung Umgebungen Einf. in die KI 2 1 Agenten Agenten nehmen durch Sensoren ihre Umwelt wahr Perzepte manipulieren ihre Umwelt mit Hilfe ihrer Effektoren
MehrMultiagentensimulation im Verkehr: Eignet sich die Multiagentensimulation zur Abbildung der Verhaltensstruktur im Verkehr?
Multiagentensimulation im Verkehr: Eignet sich die Multiagentensimulation zur Abbildung der Verhaltensstruktur im Verkehr? Oliver Prinz Betreuer: Patrik Jochem Ausgewählte technische, rechtliche und ökonomische
MehrZusammenfassung KI (von Marco Piroth)
Zusammenfassung KI (von Marco Piroth) Definition: KI ist das Teilgebiet der Informatik, das sich damit beschäftigt, menschliche, intelligente Verhaltensweisen auf einer Maschine nachzuvollziehen. Softwaretechnische
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrRationale Agenten Rationalität
Rationale Agenten Rationalität des Agentenverhaltens hängt ab von Performanzmaß (auf dem Ergebnis der Agentenfunktion) vorgegebenem Wissen des Agenten über die Umgebung ausführbaren Aktionen aktueller
MehrKünstliche Intelligenz
Künstliche Intelligenz Logische Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 02. November 2011 Logische Agenten Wissensbasierte Agenten Eine Modellwelt Aussagen Logik
MehrA O T Agententechnologien in betrieblichen Anwendungen und der Telekommunikation A O T
Grundlagen der Künstlichen Intelligenz Einführung in die KI 20.10.2005 Dr.-Ing. Stefan Fricke stefan.fricke@dai-labor.de Agententechnologien in betrieblichen Anwendungen und der Telekommunikation Grundlagen
MehrEinführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...
Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h
MehrMaschinelles Lernen Entwicklung und aktuelle Anwendungen
Maschinelles Lernen Entwicklung und aktuelle Anwendungen martin.loesch@kit.edu (0721) 608 45944 Forschungsrichtungen des ML Praxisorientiert Aufgabenorientierte, lernende Systeme Wissenserwerb (Knowledge
MehrKünstliche Intelligenz für Ingenieure
Künstliche Intelligenz für Ingenieure von Prof. Dr.-lng.Jan Lunze 2., völlig überarbeitete Auflage OldenbourgVerlag München Inhaltsverzeichnis Verzeichnis der Anwendungsbeispiele Hinweise zum Gebrauch
MehrKünstliche Intelligenz
Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage Mit Beiträgen von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebastian Thrun ein Imprint von Pearson Education
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrÜbersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen Unüberwachtes
MehrIntelligente Agenten
KI Wintersemester 2013/2014 Intelligente Agenten Grundlagen der Künstlichen Intelligenz Wintersemester 2014/2015 Marc Toussaint 2006-2014 Heidemann, Bruhn, Toussaint Überblick Überblick Agentenbegriff,
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
Mehr1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / WS 2003/2004. Jun.-Prof. Dr. B.
Universität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / Künstliche Intelligenz für IM Name, Vorname: Matrikel-Nr.: Studiengang: WS 2003/2004 Jun.-Prof. Dr.
MehrMultiagentensysteme MAS
Seminar Agenten und Robotfußball Sommersemester 2003 Multiagentensysteme MAS Grundlagen und Begriffsbildung Thorsten Wilmes Linnebornstiege 2 48155 Münster wilmest@web.de Matr.-Nr.: 275298 Inhaltsverzeichnis
MehrIntelligente Agenten
Intelligente Agenten Einige einfache Überlegungen zu Agenten und deren Interaktionsmöglichkeiten mit ihrer Umgebung. Agent benutzt: Sensoren Aktuatoren (Aktoren; Effektoren) zum Beobachten/Mess seiner
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrDeductive Reasoning Agents
Deductive Reasoning Agents Ein Vortrag von Stefan Wilsky & Jaana Korte 19. April 2007 - Seminar Multiagentensysteme Universität Bielefeld Uridee der KI: Man gibt einem System Symbolische Repräsentation
MehrWoher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme
Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle:
MehrMethoden wissensbasierter Systeme
Christoph Beierle Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen - Algorithmen - Anwendungen 2., überarbeitete und erweiterte Auflage vieweg ix Vorwort zur 2., erweiterten Auflage
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrKünstliche Intelligenz
Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage Mit Beiträgen von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebastian Thrun PEARSON mm ein Imprint von Pearson
MehrVerteilte Systeme / Kooperierende Roboter
Verteilte Systeme / Kooperierende Roboter Proseminar Anwendungen und Methoden der Modernen Robotik SoSe 2005 Uni Hamburg Claudius Herder, Justus Winter 4herder@informatik.uni-hamburg.de, 4winter@informatik.uni-hamburg.de
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 2. Agenten, Umgebungen und Lösungsverfahren Malte Helmert Universität Basel 4. März 2013 Rationale Agenten Heterogene Einsatzgebiete KI-Systeme erfüllen sehr unterschiedliche
MehrAufgabe 1 (Allgemeines)
Klausur... Einführung in die Künstliche Intelligenz 1SS08 Aufgabe 1 (Allgemeines) (4 Punkte) a) In der Künstlichen Intelligenz unterscheidet man symbolische und subsymbolische Verfahren. Beschreibe diese
MehrInformation Retrieval
Information Retrieval 1 Information Retrieval Norbert Fuhr 13. Oktober 2011 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Daten Information Wissen 4 Dimensionen des IR 5 Rahmenarchitektur für IR-Systeme
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrEinfacher Problemlösungsagent. Übersicht. Begriffsdefinitionen für Einfach-Probleme
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrEigenschaften der SLD-Resolution
Eigenschaften der SLD-Resolution Vollständigkeit der SLD-Resolution für Hornklauseln Sei F eine inkonsistente Hornklauselmenge. Dann gibt es eine SLD-Widerlegung von F. Beweisskizze: Für inkonsistentes
MehrKapitel MK:II. II. Wissensrepräsentation
Kapitel MK:II II. Wissensrepräsentation Wissensrepräsentation in der Klassifikation Symbolisch versus subsymbolisch Problemlösungswissen Kennzeichen von Problemlösungswissen Prinzipien wissensbasierter
Mehr- Soccer Simulation - Dietmar Lammers / Hochschultag. Institut für Informatik Universität Münster. Agenten und Roboter.
Agenten Agenten und - Soccer Simulation - Institut für Informatik Universität Münster 2008-11-06 / Hochschultag Gliederung Agenten 1 Agenten 2 3 4 2006 2007 5 Agenten - Agenten Autonom agierende Programme
MehrPlanungsansätze aus der Künstlichen Intelligenz
Planungsansätze aus der Künstlichen Intelligenz Seminarvortrag Eingereicht von Betreuender Professor: Betreuender Assistent: Felix Heitbrock Matrikelnummer: 4013238 Prof. Dr.-Ing. Andreas Terstegge Dipl.-Inform.
MehrInformation Retrieval
Information Retrieval Norbert Fuhr 12. April 2010 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Dimensionen des IR 4 Daten Information Wissen 5 Rahmenarchitektur für IR-Systeme IR in Beispielen IR-Aufgaben
MehrEntscheidungsunterstützung/ Künstliche Intelligenz. Teil 2
Entscheidungsunterstützung/ Künstliche Intelligenz Teil 2 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 2 1 Gliederung 1. Einführung 2.
MehrSimulation als epistemologische Grundlage für intelligente Roboter
1 Simulation als epistemologische Grundlage für intelligente Roboter Andreas Tolk The MITRE Corporation Umut Durak Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Public Release No. 17-0085 2017 The
MehrEinführung Intelligente Agenten Vortrag vom im Seminar Agentensysteme SS 2010 Katharina Klein Kevin Fischer
1. Einführung 1.1 Fünf Trends Einführung Intelligente Agenten Vortrag vom 27.04.2010 im Seminar Agentensysteme SS 2010 Katharina Klein Kevin Fischer Ubiquität/Allgegenwärtigkeit: Die Computer werden immer
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrGrundlagen der Programmierung 2. Operationale Semantik
Grundlagen der Programmierung 2 Operationale Semantik Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 29. April 2009 Semantik von Programmiersprachen Semantik = Bedeutung
MehrEinführung und Intelligente Agenten Vortrag vom Sara Winter, Kai Mismahl, Anja Philippsen
Einführung und Intelligente Agenten Vortrag vom 23. 4. 2009 Sara Winter, Kai Mismahl, Anja Philippsen 1. Einführung 1.1 Fünf Trends - Allgegenwart (ubiquity) Chips und Computer werden fast überall eingesetzt
MehrWas bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P)
Was bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P) Syntax Semantik Signatur, Variablen Terme (induktive Definition, Baumform) Atome
MehrBeschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
MehrBeschreibungslogik. Vorlesung im Sommersemester 2015
Beschreibungslogik Vorlesung im Sommersemester 2015 Organisatorisches Zeit und Ort: Mi 16-18 MZH1460 und Do 16-18 MZH1460 Vortragender: Carsten Lutz Cartesium Raum 2.59 Tel. (218)-64431 clu@uni-bremen.de
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrReactive and Hybrid Agents Multiagentensysteme, Veranstalter: Alexa Breuing, Ipke Wachsmuth Vortragender: Hauke Kaufhold
Reactive and Hybrid Agents Multiagentensysteme, 14.5.09 Veranstalter: Alexa Breuing, Ipke Wachsmuth Vortragender: Hauke Kaufhold Einleitung: Suche nach Alternativen zum symbolischen Paradigma der KI -Ablehnung
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrEinführung in die Artificial Intelligence
Einführung in die Artificial Intelligence Institut für Computertechnik ICT Institute of Computer Technology Roland Lang mailto:langr@ict.tuwien.ac.at Definition: Was ist AI? ISO 4177: Artificial Intelligence
MehrMangelnde Repräsentation, Dissoziation und doppeltes Überzeugungssystem
Mangelnde Repräsentation, Dissoziation und doppeltes Überzeugungssystem Prof. Dr. Rainer Sachse, IPP 2001 1 Affektive Schemata Diese affektiven Schemata bilden sich aufgrund von affektiver Verarbeitung
MehrMethoden der KI in der Biomedizin Logische Agenten 1
Methoden der KI in der Biomedizin Logische Agenten 1 Karl D. Fritscher Organisatorisches Voraussetzungen: Lehrstoff zu den Themengebieten: a. Einführung in die KI, Expertensysteme b. Problemlösung durch
MehrProgrammierung Paradigmen und Konzepte
Programmierung Paradigmen und Konzepte Mit 79 Bildern, 85 Beispielen, 130 Aufgaben und Kontrollfragen und 19 Referatsthemen Fachbuchverlag Leipzig im Carl Hanser Verlag 1 Einführung und Überblick 11 1.1
MehrGrundlagen der Kognitiven Informatik
Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik
MehrBeschreibungslogik. Vorlesung im Sommersemester 2016
Beschreibungslogik Vorlesung im Sommersemester 2016 Organisatorisches Zeit und Ort: Mi 16 18 MZH 1460 Do 12 14 MZH 1460 Vortragender: Thomas Schneider Cartesium Raum 2.56 Tel. (218)-64432 ts@cs.uni-bremen.de
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrPrädikatenlogik: modelltheoretische Semantik
Einführung in die Logik - 6 Prädikatenlogik: modelltheoretische Semantik Modelltheoretische / Denotationelle Semantik der Prädikatenlogik Ein Modell ist... ein künstlich geschaffenes Objekt, das die Struktur
MehrMethoden wissensbasierter
Christoph Beierle I Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen, Algorithmen, Anwendungen 4., verbesserte Auflage Mit 147 Abbildungen STUDIUM VIEWEG+ 'reubner xiii Vorwort zur 1.
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrTeil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2013 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 1. Einführung Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Formale Logik Ziel Formalisierung und Automatisierung rationalen
Mehr2 Intelligente Agenten - Grundlagen
2 Intelligente Agenten - Grundlagen 2.1 Agenten und Umgebungen 2.2 Gutes Verhalten: das Konzept der Rationalität 2.2.1 Leistungsbewertungen 2.2.2 Rationalität 2.2.3 Allwissenheit und Autonomie 2.3 Die
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2012 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrAn Overview of the Signal Clock Calculus
An Overview of the Signal Clock Calculus, Jennifer Möwert Inhaltsverzeichnis Synchrone Programmiersprachen Clock Calculus Synchrone Paradigmen SLTS Clocks SIGNAL Definitionen Endochrony Bäume, Jennifer
MehrGrundlagen 1: Modelle & Mengen
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 > Kapitel 2 Grundlagen 1: Modelle & Mengen 2.1 Modelle Grundlagen der Modellierung
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 30. Oktober 2013 ZÜ DS ZÜ
MehrIntelligent Agents. Intelligent Agents. Andreas Kudenko//Andreas Skiba
Intelligent Agents Andreas Kudenko//Andreas Skiba Einführung Umgebungen Intelligente Agenten und ihre Eigenschaften Agent im Vergleich zu anderen Systemen Agents and Objects Agents and Expert Systems Agents
MehrMaschinelles Lernen II
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen II Niels Landwehr Organisation Vorlesung/Übung 4 SWS. Ort: 3.01.2.31. Termin: Vorlesung: Dienstag, 10:00-11:30.
MehrFuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Nouri@nouri.ch 25.09.14 Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Theoretische Einführung Was ist Fuzzy Logic? Entwicklungsgeschichte Fuzzy Logic Information und Komplexität Arten der
MehrWas ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie
Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf
MehrModellierung von Wissen
Martin LMU 9. Mai 2011 Schmutzige Kinder Eine Anzahl Kinder, manche haben eine schmutzige Stirn vom Spielen, manche nicht. Kein Kind kann seine eigene Stirn sehen und auch nicht befühlen. Kann ein Kind
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 6: Formale Logik Einführung schulz@eprover.org Formale Logik Ziel Formalisierung und Automatisierung rationalen Denkens Rational richtige Ableitung von
MehrReaktive und Hybride Agenten
Reaktive und Hybride Agenten Seminar: Agentensysteme SS10 Jens Wittrowski (jens.wittrowski@uni-bielefeld.de) Einleitung / Motivation Probleme mit Agenten, welche eine symbolische / logische Repräsentation
MehrExpertensysteme / XPS
Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind 27.06.2012 1 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien
MehrSeminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke. Referent: Philip Furley
Seminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke Referent: Philip Furley Gliederung Einleitung Ziel: Gemeinsamkeiten und Unterschiede der Sichtweisen der Künstlichen Intelligenz und der
MehrSuche in Spielbäumen Projektvorschläge
Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg
MehrDeductive Reasoning Agents. Roland Krumme & Florian Schulze
Deductive Reasoning Agents Roland Krumme & Florian Schulze Inhalt Was ist ein Deductive Reasoning Agent? Hauptprobleme Deliberate Agents Staubsauger Welt Agent Oriented Programming Agent0 Concurrent MetateM
MehrAutomatisierte Architekturanalyse unter Einsatz von UML 2.0 Modellen
Automatisierte Architekturanalyse unter Einsatz von UML 2.0 Modellen Vorstellung: Thorben Pergande Bisheriges Studium: B.Sc. Angewandte Informatik an der HAW Professoren an dieser Ausarbeitung beteiligt:
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrKünstliche Intelligenz und automatische Wissensverarbeitung
Hermann Heibig Künstliche Intelligenz und automatische Wissensverarbeitung 2., stark bearbeitete Auflage U Verlag Technik Berlin Inhaltsverzeichnis 1 Überblick 11 1.1 Grundbegriffe, Gegenstand 11 1.2 Arbeitsgebiete
Mehr1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
MehrModellierungsbeispiel Geräte
Was bisher geschah Modellierung von Aussagen in (klassischer) Aussagenlogik Syntax: Aussagenvariablen sind Atome Junktoren,,,, induktive Definition: Baumstruktur der Formeln strukturelle Induktion äquivalente
MehrWissensbasierte Systeme. Inhalt Logikbasierte Agenten. Zeit, Raum & der ganze Rest. Michael Beetz Technische Universität München
Zeit, Raum & der ganze Rest Michael Beetz Technische Universität München Wintersemester 2004/05 Inhalt 8.1.1. Logikbasierte Agenten 8.1 Logische Agenten für die WUMPUS-Welt 8.2 Situationskalkül 8.3 Das
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
Mehr